CN113703984B - 5g云边协同场景下基于soa架构的云任务优化策略方法 - Google Patents
5g云边协同场景下基于soa架构的云任务优化策略方法 Download PDFInfo
- Publication number
- CN113703984B CN113703984B CN202111027449.3A CN202111027449A CN113703984B CN 113703984 B CN113703984 B CN 113703984B CN 202111027449 A CN202111027449 A CN 202111027449A CN 113703984 B CN113703984 B CN 113703984B
- Authority
- CN
- China
- Prior art keywords
- task
- cloud
- time
- algorithm
- total
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 239000002245 particle Substances 0.000 claims abstract description 37
- 230000000739 chaotic effect Effects 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005291 chaos (dynamical) Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 229920003087 methylethyl cellulose Polymers 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了5G云边协同场景下基于SOA架构的云任务优化策略方法,包括云端和边缘节点,其特征在于,所述云端包含注册中心和网关,具体步骤如下:S1.进行整个粒子群体的离散化处理;S2.混沌策略实现。本发明在基于SOA服务场景下的自动驾驶状态,需要明确云端的决策机制,采用启发式算法,结合对比选择PSO算法作为底层拓扑路结构,首先,定义时间、负载、成本三个优化指标,并设定合理的目标函数和粒子筛选机制,优先选择任务执行时间短、消耗成本低、负载较低的粒子,其次,在Cloudsim云平台下,仿真模拟SOA架构下云边协同能力,实验结果表明,改进算法任务执行时间更短,资源利用率更高,任务执行成本更低。
Description
技术领域
本发明涉及IT应用领域,特别涉及5G云边协同场景下基于SOA架构的云任务优化策略方法。
背景技术
随着大数据的快速增长,尤其是支持5G的大数据,新的业务和工作负载正在涌现。它们是终端设备的需求和成本,但更多的数据将在终端设备和云之间来回传输。随着数据量和终端设备的爆炸式增长,延迟、带宽和对多连接的支持成为结构整体性能的瓶颈。现有的“设备云”,“设备云”结构是在云(数据中心)上处理大多数计算,而终端设备只处理轻量级工作负载。它可以降低终端设备的需求和成本,但更多的数据将在终端设备和云之间不断地来回传输。随着数据量和终端设备的爆炸式增长,延迟、带宽和对多连接的支持成为结构整体性能的瓶颈。为了解决上述挑战,“设备边缘云”随着边缘计算的出现而出现。新的“边缘”层可以将更多的计算任务推向终端设备,而不是依靠一个中心“云”来处理一切。边缘设备部署在靠近终端设备的位置,产生低延迟的“本地”计算。5G自动驾驶场景下云边协同平台应运而生。
现有技术中,MEC将流量和服务的计算从集中式云移动到网络边缘,更接近客户。网络边缘不再将所有数据发送到云进行处理,而是分析、处理和存储数据。在离客户较近的地方收集和处理数据可减少延迟,并为高带宽应用程序带来实时性能。为了实现高性能的分组处理和匹配MEC中的高带宽光传输,边缘计算能力将成为关键。该系统在一定程度上具有处理速度和灵活性的优势。建议的解决方案之一是构建网络功能硬件服务链加速。本专利将重点讨论云边缘计算系统架构-云端资源调配策略,并提出一个完整的、环境可靠的解决方案,作为“应用定义基础设施”边缘计算服务器系统参考,与生态系统重新思考“计算和电信通信”基础设施系统架构相呼应,融合5G时代。
然而,基于5G场景下MEC部署方式,内部虚拟算法决策机制采用启发式算法,在云端替换原有的raft分发机制,粒子群算法由于结构简单,寻优能力强,因而广泛应用于这类复杂的NP问题的求解中。基于SOA云边协同场景下,定义云资源调度的评价指标:总任务完成时间、总负载均衡度、总任务成本,并且设定合理的目标函数优先选择执行时间短、消耗成本低的节点执行任务,综合考虑三个优化指标,因此如何实现对三个指标的优化以及实现整体的架构是如今算法中的趋势。
发明内容
本发明要解决的技术问题是克服现有技术的缺陷,提供5G云边协同场景下基于SOA架构的云任务优化策略方法。
为了解决上述技术问题,本发明提供了如下的技术方案:
本发明5G云边协同场景下基于SOA架构的云任务优化策略方法,于云端进行SOA架构的搭建,包括注册中心、网关等微服务,边缘测既可以是边缘的算力盒子,也可以是车端的设备,用于算力的卸载,云边之间通过SOA服务消息模式互通,边缘测收集来自收集或者车载设备的消息或者任务模块,进行预处理,筛选的操作,坐下信息的过滤和数据的分析,上传到云端进行信息的一致性检测,同时在云端实现对各个边缘节点的统一管控以及资源的横向的调配,拉通边缘算力的布局方式,既考虑到成本、能耗又考虑到时延等指标,提升云端的决策能力,同时加速边缘节点的资源动态布局和分配。
作为本发明的一种优选技术方案,所述进行整个粒子群体的离散化处理,便于后续收敛的全局收缩,进行混沌理论进行行为离子数据的预测和解耦,由于系统所中任一分量的变化与其他分量相互影响,所以基于一个分量历史时间序列就能提取系统运轨迹,Lyapuno轨迹指数是刻画混沌轨迹的重要参数,以此来实现混沌离散策略。
作为本发明的一种优选技术方案,5G场景SOA架构下,云资源调度就是将完整的任务分解成许多子任务,并将子任务分配到各个计算节点上,对任务编码的方式采用间接编码方式,就是对子任务相对应的计算资源节点采取编码的方式,编码长度可以通过子任务的长度体现。
作为本发明的一种优选技术方案,按照粒子群编码解码、粒子群初始化和适应度函数的顺序调整优化粒子个体的选择。
与现有技术相比,本发明的有益效果如下:
本发明在基于SOA服务场景下的自动驾驶状态,需要明确云端的决策机制,采用启发式算法,结合对比选择PSO算法作为底层拓扑路结构,首先,定义时间、负载、成本三个优化指标,并设定合理的目标函数和粒子筛选机制,优先选择任务执行时间短、消耗成本低、负载较低的粒子。其次,在Cloudsim云平台下,仿真模拟SOA架构下云边协同能力,实验结果表明,改进算法任务执行时间更短,资源利用率更高,任务执行成本更低。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明的整体架构示意图;
图2是本发明的整体架构流程图;
图3是本发明的粒子分解聚合策略示意图;
图4是本发明的SOA云边协同负载均衡示意图;
图5是本发明的SOA云边协同总成本示意图;
图6是本发明的SOA云边协同总时间示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1
本发明提供5G云边协同场景下基于SOA架构的云任务优化策略方法,如图1所示,基于图示,云端进行SOA架构的搭建,包括注册中心、网关等微服务,边缘测既可以是边缘的算力盒子,也可以是车端的设备,用于算力的卸载,云边之间通过SOA服务消息模式互通,边缘测收集来自收集或者车载设备的消息或者任务模块,进行预处理,筛选的操作,坐下信息的过滤和数据的分析,上传到云端进行信息的一致性检测,同时在云端实现对各个边缘节点的统一管控以及资源的横向的调配,拉通边缘算力的布局方式,既考虑到成本、能耗又考虑到时延等指标,提升云端的决策能力,同时加速边缘节点的资源动态布局和分配,以下就是对云端决策算法的优化,具体步骤如下:
S1.首先进行整个粒子群体的离散化处理,便于后续收敛的全局收缩,进行混沌理论进行行为离子数据的预测和解耦;
S2.混沌策略实现,由于系统所中任一分量的变化与其他分量相互影响,所以基于一个分量历史时间序列就能提取系统运轨迹,Lyapuno轨迹指数是刻画混沌轨迹的重要参数,以此来实现混沌离散策略,具体公式如下:
式中YM是预测的中心点,YK是高纬度相空间YM最近的邻点,其距离为dM(0),最大Lyapunov指数为λ1,j为邻近点个数,其中YM、YK和Yk+1均为构建高纬度相空间的点,Yk+1是相空间YK的下一个轨迹点;
S21.基于混沌策略实现,混沌策略可以进一步初始化粒子群的离散程度,更好的支撑整个收敛的程度和求解的精度,基于PSO算法的执行过程如下所示:
1)初始化处理:参数设定,包括kmax,分别对应时间、负载和成本,C对应于种群规模;
2)对粒子解码,由任务和计算节点的分配关系得到T矩阵;
3)计算全部粒子对应虚拟机上的适应值;
4)按照定义的适应度函数筛选出个体最好位置和全局最好位置;
5)对算法是否结束做出判断,即是否大于等于最大迭代次数,若大于,则转到步骤8,否则转到步骤6;
6)基于改进算法,按照、PSO算法更新惯性权重值,保证算法在迭代前期和迭代后期在合适的惯性权重区间内波动,避免陷入局部极值,探索全局未知空间,提高算法寻优效果;
7)基于改进算法,按照DLPSO算法迭代前期和迭代后期,分段更新粒子的速度和位置;
8)输出最佳的调度方案,算法结束,完成5G场景SOA架构下,云资源调度。具体流程如图2所示。
进一步的,基于步骤S1的粒子群体,5G场景SOA架构下,云资源调度就是将完整的任务分解成许多子任务,并将子任务分配到各个计算节点上,架构对任务编码的方式采用间接编码方式,就是对子任务相对应的计算资源节点采取编码的方式,编码长度可以通过子任务的长度体现,粒子相应的编码方式为:
其解码方式如图3所示。
步骤1)中,C为定义种群规模,子任务总数为,云资源节点的数量为n,C个粒子由系统随机生成,位置向量和速度向量初始化定义:定义xi为表示第i个粒子位置向量,初始化取值为[1,n]区间内的整数,xij表示子任务j分配到第xij号计算节点上执行,定义vi为/>表示粒子的速度向量,初始化取值为[1-n,n-1]区间内的随机整数。
步骤S2中,选择总负载均衡度、总任务完成时间、总任务成本三个优化指标,制定兼顾三个因素的云资源调度多目标优化方案,减少负载、执行时间、消耗成本,具体步骤如下:
a.定义总负载均衡度;
式中,LB——任务总负载均衡度;
Taski——第i个子任务;
Vmj——第j个虚拟机;
——平均资源利用率;
Uj——虚拟机Vmj的资源利用率;
n——虚拟机的总数量;
其中,表示任务在虚拟机上的执行时间,LB代表负载均衡度,其数值越小,系统的资源利用率也越高,结合公式(4)定义考虑负载均衡度的适应度函数如下:
F1=LB (5);
b.定义总任务完成时间;
记录任务在各计算资源上运行时间的由TIME(Taski,Vmj)矩阵表示,Time(Taski,Vmj)表示第i个子任务Taski在虚拟机Vmj上的执行时间,根据TIME(Taski,Vmj)矩阵编码后的序列,通过各个资源节点执行完其对应任务所需的时间,计算任务完成的总时间,如下所示:
式中,Timemax——最大任务执行时间;
Tlengthi——第i个任务Taski的长度;
Num_vm_cpu——虚拟机中CPU的数量;
Tdatai——需要传输的数据量;
v_vm——虚拟机节点的处理能力;
bw_vm——虚拟机的带宽;
v_vm_mips——虚拟机中单个CPU的处理能力;
其中,Timemax表示最大任务执行时间,就是估算n个虚拟机同时执行任务时工作时间最长的那个虚拟机所消耗的时间;
c.定义总任务成本,具体公式如下所示:
式中,Rcost(Vmj)——虚拟机Vmj单位时间内所需要的成本;
Tcost——任务总成本;
在结合步骤a和步骤b后,定义适应度函数,即如下所示:
0≤α≤1,0≤β≤1,α+β=1; (8)
任务消耗成本适应度越大的粒子越容易被选择,为下次迭代提供优秀的粒子个体;
步骤1)中,粒子群位置和速度更新的具体公式如下所示:
具体的,根据上述步骤,在Cloudsim云计算仿真平台下,从任务执行时间、负载均衡、任务成本三个指标方面,将改进算法和Min-Min算法、蚁群算法、遗传算法、混沌理论算法进行仿真实验,构成对照实验,具体实验参数如下所示:
表1实验参数
如图4-6所示,其柱状图的单个柱单元排列顺序从左至右分别为优化算法、遗传算法、蚁群算法、混沌理论算法和MIN-MIN算法,由图中结果可得知,在基于总任务完成时间、总负载均衡度、总任务成本的优化条件下,所达到的数据值为最优,于相同条件下的总任务完成时间最短,总负载均衡度更低,总任务成本所消耗资源更少。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.5G云边协同场景下基于SOA架构的云任务优化策略方法,包括云端和边缘节点,其特征在于,所述云端包含注册中心和网关,具体步骤如下:
S1.进行整个粒子群体的离散化处理,用于便于后续收敛的全局收缩,进行混沌理论进行行为离子数据的预测和解耦;
S2.混沌策略实现,由于系统所中任一分量的变化与其他分量相互影响,所以基于一个分量历史时间序列就能提取系统运轨迹,Lyapuno轨迹指数是刻画混沌轨迹的重要参数,以此来实现混沌离散策略,具体公式如下:
式中YM是预测的中心点,YK是高纬度相空间YM最近的邻点,其距离为dM(0),最大Lyapunov指数为λ1,j为邻近点个数,其中YM、YK和Yk+1均为构建高纬度相空间的点,Yk+1是相空间YK的下一个轨迹点;
S21.基于混沌策略实现,混沌策略可以进一步初始化粒子群的离散程度,更好的支撑整个收敛的程度和求解的精度,基于PSO算法的执行过程如下所示:
1)初始化处理:参数设定,包括kmax,分别对应时间、负载和成本,C对应于种群规模;
2)对粒子解码,由任务和计算节点的分配关系得到T矩阵;
3)计算全部粒子对应虚拟机上的适应值;
4)按照定义的适应度函数筛选出个体最好位置和全局最好位置;
5)对算法是否结束做出判断,即是否大于等于最大迭代次数,若大于,则转到步骤8,否则转到步骤6;
6)基于改进算法,按照、PSO算法更新惯性权重值,保证算法在迭代前期和迭代后期在合适的惯性权重区间内波动,避免陷入局部极值,探索全局未知空间,提高算法寻优效果;
7)基于改进算法,按照DLPSO算法迭代前期和迭代后期,分段更新粒子的速度和位置;
8)输出最佳的调度方案,算法结束,完成5G场景SOA架构下,云资源调度。
2.根据权利要求1所述的5G云边协同场景下基于SOA架构的云任务优化策略方法,其特征在于,基于所述步骤S1的粒子群体,将完整的任务分解成多个子任务,并将子任务分配到各个计算节点上,根据子任务将任务编码的方式采用间接编码方式,即子任务相对应的计算资源节点采取编码的方式,编码长度可以通过子任务的长度体现,其粒子相应的编码方式为:
3.根据权利要求2所述的5G云边协同场景下基于SOA架构的云任务优化策略方法,其特征在于,所述步骤1)中,C为定义种群规模,子任务总数为,云资源节点的数量为n,C个粒子由系统随机生成,位置向量和速度向量初始化定义:定义xi为表示第i个粒子位置向量,初始化取值为[1,n]区间内的整数,xij表示子任务j分配到第xij号计算节点上执行,定义vi为/>表示粒子的速度向量,初始化取值为[1-n,n-1]区间内的随机整数。
4.根据权利要求3所述的5G云边协同场景下基于SOA架构的云任务优化策略方法,其特征在于,所述步骤S2中,选择总负载均衡度、总任务完成时间、总任务成本三个优化指标,制定兼顾三个因素的云资源调度多目标优化方案,减少负载、执行时间、消耗成本,具体步骤如下:
a.定义总负载均衡度;
式中,LB——任务总负载均衡度;
Taski——第i个子任务;
Vmj——第j个虚拟机;
——平均资源利用率;
Uj——虚拟机Vmj的资源利用率;
n——虚拟机的总数量;
其中,表示任务在虚拟机上的执行时间,LB代表负载均衡度,其数值越小,系统的资源利用率也越高,结合公式(4)定义考虑负载均衡度的适应度函数如下:
F1=LB (5);
b.定义总任务完成时间;
记录任务在各计算资源上运行时间的由TIME(Taski,Vmj)矩阵表示,Time(Taski,Vmj)表示第i个子任务Taski在虚拟机Vmj上的执行时间,根据TIME(Taski,Vmj)矩阵编码后的序列,通过各个资源节点执行完其对应任务所需的时间,计算任务完成的总时间,如下所示:
式中,Timemax——最大任务执行时间;
Tlengthi——第i个任务Taski的长度;
Num_vm_cpu——虚拟机中CPU的数量;
Tdatai——需要传输的数据量;
v_vm——虚拟机节点的处理能力;
bw_vm——虚拟机的带宽;
v_vm_mips——虚拟机中单个CPU的处理能力;
其中,Timemax表示最大任务执行时间,就是估算n个虚拟机同时执行任务时工作时间最长的那个虚拟机所消耗的时间;
c.定义总任务成本,具体公式如下所示:
式中,Rcost(Vmj)——虚拟机Vmj单位时间内所需要的成本;
Tcost——任务总成本;
在结合步骤a和步骤b后,定义适应度函数,即如下所示:
0≤α≤1,0≤β≤1,α+β=1; (8)
任务消耗成本适应度越大的粒子越容易被选择,为下次迭代提供优秀的粒子个体。
5.根据权利要求4所述的5G云边协同场景下基于SOA架构的云任务优化策略方法,其特征在于,所述步骤1)中,粒子群位置和速度更新的具体公式如下所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111027449.3A CN113703984B (zh) | 2021-09-02 | 2021-09-02 | 5g云边协同场景下基于soa架构的云任务优化策略方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111027449.3A CN113703984B (zh) | 2021-09-02 | 2021-09-02 | 5g云边协同场景下基于soa架构的云任务优化策略方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113703984A CN113703984A (zh) | 2021-11-26 |
CN113703984B true CN113703984B (zh) | 2024-03-19 |
Family
ID=78657493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111027449.3A Active CN113703984B (zh) | 2021-09-02 | 2021-09-02 | 5g云边协同场景下基于soa架构的云任务优化策略方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113703984B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115630578B (zh) * | 2022-10-30 | 2023-04-25 | 四川通信科研规划设计有限责任公司 | 一种算力体系预测布局优化方法 |
CN116389491B (zh) * | 2023-04-03 | 2023-11-07 | 中国电子技术标准化研究院 | 一种云边算力资源自适应计算系统 |
CN118138592A (zh) * | 2024-04-30 | 2024-06-04 | 吉林省枫瑞科技有限公司 | 基于云计算的预应力混凝土管结构超算仿真支持方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015171829A1 (en) * | 2014-05-08 | 2015-11-12 | Alsip Bruce | Platforms and systems for playing games of chance |
CN110351679A (zh) * | 2019-04-22 | 2019-10-18 | 鲁东大学 | 一种基于改进模拟退火的无线传感器网络资源分配方法 |
DE102018010197A1 (de) * | 2018-12-18 | 2020-06-18 | GRID INVENT gGmbH | Elektronisches Element und elektrisch angesteuertes Anzeigeelement |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8676937B2 (en) * | 2011-05-12 | 2014-03-18 | Jeffrey Alan Rapaport | Social-topical adaptive networking (STAN) system allowing for group based contextual transaction offers and acceptances and hot topic watchdogging |
CN110851272B (zh) * | 2019-10-30 | 2022-02-11 | 内蒙古农业大学 | 基于吞噬的粒子群遗传混合算法的云任务调度方法 |
-
2021
- 2021-09-02 CN CN202111027449.3A patent/CN113703984B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015171829A1 (en) * | 2014-05-08 | 2015-11-12 | Alsip Bruce | Platforms and systems for playing games of chance |
DE102018010197A1 (de) * | 2018-12-18 | 2020-06-18 | GRID INVENT gGmbH | Elektronisches Element und elektrisch angesteuertes Anzeigeelement |
CN110351679A (zh) * | 2019-04-22 | 2019-10-18 | 鲁东大学 | 一种基于改进模拟退火的无线传感器网络资源分配方法 |
Non-Patent Citations (1)
Title |
---|
面向云计算的任务调度算法综述;杨戈;赵鑫;黄静;;计算机系统应用(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113703984A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113703984B (zh) | 5g云边协同场景下基于soa架构的云任务优化策略方法 | |
Tran-Dang et al. | Reinforcement learning based resource management for fog computing environment: Literature review, challenges, and open issues | |
CN111445111B (zh) | 一种基于边缘协同的电力物联网任务分配方法 | |
CN107172166B (zh) | 面向工业智能化服务的云雾计算系统 | |
Wu et al. | Computation offloading method using stochastic games for software-defined-network-based multiagent mobile edge computing | |
Bahreini et al. | VECMAN: A framework for energy-aware resource management in vehicular edge computing systems | |
CN112214301B (zh) | 面向智慧城市基于用户偏好的动态计算迁移方法及装置 | |
CN111585811B (zh) | 一种基于多智能体深度强化学习的虚拟光网络映射方法 | |
CN111984419A (zh) | 一种边缘环境可靠性约束的复杂任务计算迁移方法 | |
CN111901168A (zh) | 适用于电动汽车充换电网络的网络切片资源配置方法 | |
CN112162789A (zh) | 一种基于软件定义的边缘计算随机卸载决策方法及系统 | |
Li et al. | MEC-based dynamic controller placement in SD-IoV: A deep reinforcement learning approach | |
CN115033359A (zh) | 一种基于时延控制的物联代理多任务调度方法和系统 | |
Premalatha et al. | Optimal energy-efficient resource allocation and fault tolerance scheme for task offloading in IoT-FoG computing networks | |
Tran-Dang et al. | Dynamic collaborative task offloading for delay minimization in the heterogeneous fog computing systems | |
Tekiyehband et al. | An efficient dynamic service provisioning mechanism in fog computing environment: A learning automata approach | |
Qin et al. | Dynamic IoT service placement based on shared parallel architecture in fog-cloud computing | |
CN113722112A (zh) | 一种服务资源负载均衡处理方法及系统 | |
CN113190342A (zh) | 用于云-边协同网络的多应用细粒度卸载的方法与系统架构 | |
CN112162837A (zh) | 一种基于软件定义的边缘计算调度方法及系统 | |
Du et al. | An Improved Ant Colony Algorithm for New energy Industry Resource Allocation in Cloud Environment | |
Cui et al. | Resource-Efficient DNN Training and Inference for Heterogeneous Edge Intelligence in 6G | |
CN116109058A (zh) | 一种基于深度强化学习的变电站巡视管理方法和装置 | |
Belkout et al. | A load balancing and routing strategy in fog computing using deep reinforcement learning | |
CN115208892A (zh) | 基于动态资源需求的车路协同在线任务调度方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |